<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[csdn_kelly的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/csdn_kelly</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; csdn_kelly]]></copyright><item><title><![CDATA[MAC intel 迁移至M4后brew及iterm2配置]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/156044331</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/156044331</guid><author>csdn_kelly</author><pubDate>Thu, 18 Dec 2025 10:17:25 +0800</pubDate><description><![CDATA[问题1.运行brew，提示 /usr/local/Homebrew/Library/Homebrew/vendor/portable-ruby/current/bin/ruby: Bad CPU type in executable。问题3:使用rz后如下：rz �C*B0100000023be50ive.**B0100000023be50。原因：可能是下载的文件中路径没有改，进入文件目录下使用。问题2:iterm2 配置rz、sz命令。]]></description><category></category></item><item><title><![CDATA[FireRedASR 模型部署及推理]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/151217612</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/151217612</guid><author>csdn_kelly</author><pubDate>Fri, 05 Sep 2025 11:16:21 +0800</pubDate><description><![CDATA[PyTorch 提供了 torch.serialization.add_safe_globals 函数，允许您显式地将特定类或函数添加到安全全局对象列表中，从而在保持 weights_only=True 的同时加载所需的类型16。找到并编辑文件：打开 fireredasr.py 文件，在文件顶部或其他合适的位置添加导入和安全全局设置。# 然后原有的 torch.load 调用可以保持不变（或显式设置 weights_only=True）# 在 torch.load 调用之前添加以下代码。]]></description><category></category></item><item><title><![CDATA[单一任务OSUM离线推理]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/149595153</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/149595153</guid><author>csdn_kelly</author><pubDate>Thu, 24 Jul 2025 09:50:27 +0800</pubDate><description><![CDATA[《OSUM语音处理模型使用指南与问题排查》摘要：本文介绍了OSUM开源语音模型的使用流程，包括代码下载、依赖安装和运行配置。重点说明如何修改infer_runtime.py中的检查点路径和使用infer.sh进行单文件测试。特别记录了常见错误&quot;AudioConfig找不到&quot;的解决方案：该错误源于llmasr_model.py文件缺少导入语句，需检查并确保正确导入相关模块。文中还提供了批量任务处理的参考链接，帮助用户快速上手使用该语音处理模型。]]></description><category></category></item><item><title><![CDATA[Kimi-audio-7B模型离线推理过程]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/149572382</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/149572382</guid><author>csdn_kelly</author><pubDate>Wed, 23 Jul 2025 15:31:52 +0800</pubDate><description><![CDATA[Kimi-Audio大模型本地推理]]></description><category></category></item><item><title><![CDATA[大模型推理环境安装过程中踩坑记录]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/149504430</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/149504430</guid><author>csdn_kelly</author><pubDate>Tue, 22 Jul 2025 15:32:04 +0800</pubDate><description><![CDATA[【代码】大模型推理环境安装过程中踩坑记录。]]></description><category></category></item><item><title><![CDATA[解决安装opencv过程中卡住问题]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/140496727</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/140496727</guid><author>csdn_kelly</author><pubDate>Wed, 17 Jul 2024 15:57:09 +0800</pubDate><description><![CDATA[尝试过单独安装opencv、更新pip，但是还是会卡在这个页面。原因是版本太高了，去pypi搜索低版本的能成功安装的即可。在安装opencv过程中，卡住了。]]></description><category></category></item><item><title><![CDATA[时间序列预测实践过程]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/135993969</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/135993969</guid><author>csdn_kelly</author><pubDate>Sun, 18 Feb 2024 16:03:30 +0800</pubDate><description><![CDATA[观察数据的趋势和季节性成分：如果数据的季节性成分在不同趋势水平下保持稳定，那么加法模型可能更合适。如果数据的季节性成分随着趋势的变化而变化，那么乘法模型可能更合适。考虑业务背景：根据业务需求和对数据的理解，选择更适合的模型。例如，在销售额预测中，乘法模型可能更合适，因为销售额的季节性波动可能随着市场环境的变化而变化。结果解释与部署： （1）解释模型的预测结果，考虑如何将预测结果应用于业务决策。检查数据的残差：在拟合加法或乘法模型后，检查残差以确定哪个模型更好地捕捉了数据中的规律。]]></description><category></category></item><item><title><![CDATA[impala 同时使用group by 和 聚合函数]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/129308930</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/129308930</guid><author>csdn_kelly</author><pubDate>Thu, 02 Mar 2023 20:55:01 +0800</pubDate><description><![CDATA[解决impala出现select list expression not produced by aggregation output (missing from GROUP BY clause?): 的问题]]></description><category></category></item><item><title><![CDATA[git 上传代码到gitlab]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/126526936</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/126526936</guid><author>csdn_kelly</author><pubDate>Thu, 25 Aug 2022 16:16:14 +0800</pubDate><description><![CDATA[从git上拉取代码及上传代码的详细步骤]]></description><category></category></item><item><title><![CDATA[关于kafka-python的若干问题]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/126226411</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/126226411</guid><author>csdn_kelly</author><pubDate>Mon, 08 Aug 2022 14:12:31 +0800</pubDate><description><![CDATA[kafka相关问题]]></description><category></category></item><item><title><![CDATA[python连接数据库]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/125161587</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/125161587</guid><author>csdn_kelly</author><pubDate>Tue, 07 Jun 2022 11:21:55 +0800</pubDate><description><![CDATA[python连接不同的数据库]]></description><category></category></item><item><title><![CDATA[Linux 安装conda踩的那些坑]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/120429322</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/120429322</guid><author>csdn_kelly</author><pubDate>Thu, 23 Sep 2021 10:47:49 +0800</pubDate><description><![CDATA[1.下载anaconda

去官网或者清华源

2.使用如下命令进行安装


bashAnaconda3-5.2.0-Linux-x86_64.sh

安装的时候会让输入yes，一路yes，最后问要不要安装VS的时候no就行了【在这个过程中，有一个是否把anaconda路径加入~/.bashrc文件，如果输入yes就不用管了，否则就需要手动加入】

3.退出重新登录

4.which python 验证一下python是否是anaconda路径，如果是证明已经在anaconda环境了，就可以使用了


i.]]></description><category></category></item><item><title><![CDATA[python 控制台输出重定向到文件]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/120410866</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/120410866</guid><author>csdn_kelly</author><pubDate>Wed, 22 Sep 2021 10:44:58 +0800</pubDate><description><![CDATA[import sys
#start
output = sys.stdout
outputfile = open(filename,'w')
sys.stdout = outputfile
#end
outputfile.close()
sys.stdout = output
]]></description><category></category></item><item><title><![CDATA[使用进程守护supervisor监控管理项目]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/119811411</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/119811411</guid><author>csdn_kelly</author><pubDate>Fri, 20 Aug 2021 10:18:40 +0800</pubDate><description><![CDATA[小白第一次搞线上部署，很多东西都不懂，再次感谢邸同学的提点，学到了一些东西，现在将其记录下来，避免以后重复遇到。

以波士顿房价预测为例，项目名为house_predict

1.使用flask框架开发服务,文件名为：house_serve.py



from flask import Flask
from house_price_predict import house_predict #这个函数包含了所有字段处理和模型调用的代码，#只要传入参数字典就能返回预测结果

app_house = F...]]></description><category></category></item><item><title><![CDATA[2021-07-20画决策树]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/118944127</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/118944127</guid><author>csdn_kelly</author><pubDate>Tue, 20 Jul 2021 20:43:27 +0800</pubDate><description><![CDATA[from sklearn.datasets import load_iris
import pydotplus
from IPython.display import Image
from sklearn import tree
#训练模型
iris=load_iris()
clf=tree.DecisionTreeClassifier()
clf=clf.fit(iris.data,iris.target)

#绘图
dot_data=tree.export_graphviz(decision_tree=]]></description><category></category></item><item><title><![CDATA[机器学习基础 - 偏度、正态化以及 Box-Cox 变换]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/118811400</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/118811400</guid><author>csdn_kelly</author><pubDate>Fri, 16 Jul 2021 17:34:39 +0800</pubDate><description><![CDATA[1引言

对于数据挖掘、机器学习中的很多算法，往往会假设变量服从正态分布。例如，在许多统计技术中，假定误差是正态分布的。这个假设使得能够构建置信区间并进行假设检验。因此，在数据预处理阶段会查看目标变量以及各个特征是否服从或接近正态分布，如果偏离就通过一定变换将该数据的分布正态化。

一般来说，数据的直方图如果单峰并近似正态但看上去又有些扭曲，可以考虑正态化。比如整体看上去还是一个山峰，但可能峰顶很尖或者整座山往左/往右倾斜了。这些现象如何用数字量化呢？偏度（skewness）和峰度（Kurtosis）就..]]></description><category></category></item><item><title><![CDATA[python 批量合并csv]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/118549610</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/118549610</guid><author>csdn_kelly</author><pubDate>Wed, 07 Jul 2021 16:16:56 +0800</pubDate><description><![CDATA[1.当csv数量在10以下，每个csv量很小时：


import pandas as pd
def merge_csv_file(path=None, col_name=[], file_type='csv'):
    """
    遍历并合并文件夹里的文件
    :param path: 文件夹路径
    :param col_name: 列名
    :param file_type: 文件类型
    :return:
    """
    data = pd.DataFrame()
  ]]></description><category></category></item><item><title><![CDATA[python-task02]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/117338153</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/117338153</guid><author>csdn_kelly</author><pubDate>Mon, 31 May 2021 20:39:56 +0800</pubDate><description><![CDATA[1.关于list

由于list的元素可以是任何对象，因此列表中所保存的是对象的指针。即使保存一个简单的[1,2,3]，也有3个指针和3个整数对象
]]></description><category></category></item><item><title><![CDATA[python-day1]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/117336584</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/117336584</guid><author>csdn_kelly</author><pubDate>Thu, 27 May 2021 21:02:58 +0800</pubDate><description><![CDATA[1.is 和==的区别

当变量是不可变类型比如str时，is和==没有区别

当变量时list，dict时，is和==不能划等号

原因：

is, is not 对比的是两个变量的内存地址
	==, != 对比的是两个变量的值
	比较的两个变量，指向的都是地址不可变的类型（str等），那么is，is not 和 ==，！= 是完全等价的。
	对比的两个变量，指向的是地址可变的类型（list，dict，tuple等），则两者是有区别的。
...]]></description><category></category></item><item><title><![CDATA[时间序列预测模型---天池资金流入流出]]></title><link>https://blog.youkuaiyun.com/csdn_kelly/article/details/114287255</link><guid>https://blog.youkuaiyun.com/csdn_kelly/article/details/114287255</guid><author>csdn_kelly</author><pubDate>Tue, 02 Mar 2021 16:01:21 +0800</pubDate><description><![CDATA[一、目标

给出2013年7月1号到2014年8月31号所有用户在该时期内资金的申购信息，预测2014年9月1号到31号每天的申购总额

二、建模流程

1.整合原始信息，将原始数据按天分组并计算日申购总量，并绘制时序的数据图，通过观察时序图，发现数据是非平稳时间序列，接下来进行验证
2.进行单位根平稳检验，p-value&gt;0.05,确定该数据是非平稳时间序列
3.进行白噪声检验，p-value&lt;0.05,排除白噪声
4.将非平稳序列转化为平稳序列：
 1.对非平稳时间序列进行时间...]]></description><category></category></item></channel></rss>